Saltar al contenido

Inferencia en vivo con la aplicaci贸n Streamlit utilizando Ultralytics YOLOv8

Introducci贸n

Streamlit simplifica la creaci贸n y el despliegue de aplicaciones web interactivas. Combin谩ndolo con Ultralytics YOLOv8 permite detectar y analizar objetos en tiempo real directamente en tu navegador. YOLOv8 alta precisi贸n y velocidad garantizan un rendimiento sin fisuras para flujos de v铆deo en directo, lo que lo hace ideal para aplicaciones en seguridad, comercio minorista y otros sectores.

Acuicultura Animals husbandry
Fish Detection using Ultralytics YOLOv8 Animals Detection using Ultralytics YOLOv8
Fish Detection using Ultralytics YOLOv8 Animals Detection using Ultralytics YOLOv8

Ventajas de la Inferencia en Directo

  • Seamless Real-Time Object Detection: Streamlit combined with YOLOv8 enables real-time object detection directly from your webcam feed. This allows for immediate analysis and insights, making it ideal for applications requiring instant feedback.
  • User-Friendly Deployment: Streamlit's interactive interface makes it easy to deploy and use the application without extensive technical knowledge. Users can start live inference with a simple click, enhancing accessibility and usability.
  • Efficient Resource Utilization: YOLOv8 optimized algorithm ensure high-speed processing with minimal computational resources. This efficiency allows for smooth and reliable webcam inference even on standard hardware, making advanced computer vision accessible to a wider audience.

C贸digo de aplicaci贸n Streamlit

Ultralytics Instalaci贸n

Before you start building the application, ensure you have the Ultralytics Python Package installed. You can install it using the command pip install ultralytics

Aplicaci贸n Streamlit

from ultralytics import solutions

solutions.inference()

### Make sure to run the file using command `streamlit run <file-name.py>`
yolo streamlit-predict

Esto iniciar谩 la aplicaci贸n Streamlit en tu navegador web predeterminado. Ver谩s el t铆tulo principal, el subt铆tulo y la barra lateral con las opciones de configuraci贸n. Selecciona el modelo YOLOv8 que desees, establece los umbrales de confianza y NMS, y pulsa el bot贸n "Iniciar" para comenzar la detecci贸n de objetos en tiempo real.

Conclusi贸n

Siguiendo esta gu铆a, habr谩s creado con 茅xito una aplicaci贸n de detecci贸n de objetos en tiempo real utilizando Streamlit y Ultralytics YOLOv8 . Esta aplicaci贸n te permite experimentar la potencia de YOLOv8 en la detecci贸n de objetos a trav茅s de tu webcam, con una interfaz f谩cil de usar y la posibilidad de detener el flujo de v铆deo en cualquier momento.

Para otras mejoras, puedes explorar la posibilidad de a帽adir m谩s funciones, como grabar el flujo de v铆deo, guardar los fotogramas anotados o integrarte con otras bibliotecas de visi贸n por ordenador.

Comparte tus pensamientos con la comunidad

Participa en la comunidad para aprender m谩s, solucionar problemas y compartir tus proyectos:

D贸nde encontrar ayuda y apoyo

  • GitHub Issues: Visit the Ultralytics GitHub repository to raise questions, report bugs, and suggest features.
  • Ultralytics Servidor Discord: 脷nete al servidor Discord deUltralytics para conectar con otros usuarios y desarrolladores, obtener ayuda, compartir conocimientos y aportar ideas.

Documentaci贸n oficial

  • Ultralytics YOLOv8 Documentation: Refer to the official YOLOv8 documentation for comprehensive guides and insights on various computer vision tasks and projects.

PREGUNTAS FRECUENTES

驴C贸mo puedo crear una aplicaci贸n de detecci贸n de objetos en tiempo real utilizando Streamlit y Ultralytics YOLOv8 ?

Configurar una aplicaci贸n de detecci贸n de objetos en tiempo real con Streamlit y Ultralytics YOLOv8 es sencillo. En primer lugar, aseg煤rate de que tienes instalado el paquete Ultralytics Python :

pip install ultralytics

A continuaci贸n, puedes crear una aplicaci贸n Streamlit b谩sica para ejecutar la inferencia en directo:

Aplicaci贸n Streamlit

from ultralytics import solutions
solutions.inference()

### Make sure to run the file using command `streamlit run <file-name.py>`
yolo streamlit-predict

For more details on the practical setup, refer to the Streamlit Application Code section of the documentation.

驴Cu谩les son las principales ventajas de utilizar Ultralytics YOLOv8 con Streamlit para la detecci贸n de objetos en tiempo real?

Utilizar Ultralytics YOLOv8 con Streamlit para la detecci贸n de objetos en tiempo real ofrece varias ventajas:

  • Seamless Real-Time Detection: Achieve high-accuracy, real-time object detection directly from webcam feeds.
  • User-Friendly Interface: Streamlit's intuitive interface allows easy use and deployment without extensive technical knowledge.
  • Resource Efficiency: YOLOv8's optimized algorithms ensure high-speed processing with minimal computational resources.

Discover more about these advantages here.

驴C贸mo despliego una aplicaci贸n de detecci贸n de objetos Streamlit en mi navegador web?

Despu茅s de codificar tu aplicaci贸n Streamlit integrando Ultralytics YOLOv8 , puedes desplegarla ejecutando:

streamlit run <file-name.py>

This command will launch the application in your default web browser, enabling you to select YOLOv8 models, set confidence, and NMS thresholds, and start real-time object detection with a simple click. For a detailed guide, refer to the Streamlit Application Code section.

驴Cu谩les son algunos casos de uso de la detecci贸n de objetos en tiempo real mediante Streamlit y Ultralytics YOLOv8 ?

La detecci贸n de objetos en tiempo real mediante Streamlit y Ultralytics YOLOv8 puede aplicarse en diversos sectores:

  • Security: Real-time monitoring for unauthorized access.
  • Retail: Customer counting, shelf management, and more.
  • Wildlife and Agriculture: Monitoring animals and crop conditions.

For more in-depth use cases and examples, explore Ultralytics Solutions.

驴C贸mo se compara Ultralytics YOLOv8 con otros modelos de detecci贸n de objetos como YOLOv5 y RCNNs?

Ultralytics YOLOv8 aporta varias mejoras respecto a modelos anteriores como YOLOv5 y RCNNs:

  • Higher Speed and Accuracy: Improved performance for real-time applications.
  • Ease of Use: Simplified interfaces and deployment.
  • Resource Efficiency: Optimized for better speed with minimal computational requirements.

For a comprehensive comparison, check Ultralytics YOLOv8 Documentation and related blog posts discussing model performance.



Creado 2024-07-05, Actualizado 2024-07-05
Autores: glenn-jocher (1)

Comentarios